ஒரு AI சார்ந்த அணுகுமுறை எவ்வாறு ஒரு தொழில்நுட்ப நிறுவனரை அரிதான புற்றுநோயை வெல்ல உதவியது

ஆரோக்கியத்தில் அதிக கவனம் செலுத்தும் தொழில்முனைவோரான Conno Christou, ஆக்ரோஷமான வகை non-Hodgkin’s lymphoma நோயால் பாதிக்கப்பட்டபோது, தனது உயிர்வாழ்வை தற்செயலான நிகழ்வுகளிடம் விட்டுவிட அவர் விரும்பவில்லை. தனது மருத்துவப் போராட்டத்தை ஒரு முக்கியமான ஸ்டார்ட்அப் (startup) போலக் கருதி, சிக்கலான மருத்துவச் சூழலை எதிர்கொள்ள அவர் அணியக்கூடிய சாதனங்களின் (wearable) தரவு மற்றும் LLM-களைப் பயன்படுத்தினார்.

அரிதான நோயின் போது தரவு சார்ந்த உயிர்வாழ்தல்

Christou-வின் நோய் கண்டறிதல் ஒரு புள்ளிவிவர முரண்பாடாக இருந்தது: ஒரு சீரற்ற மரபணு மாற்றத்தால் (genetic mutation) அவரது மார்பெலும்புக்கு பின்னால் 11-x-11-x-8 சென்டிமீட்டர் அளவுள்ள ஒரு கட்டி உருவானது. 4,20,000 பேரில் ஒருவருக்கு மட்டுமே ஏற்படும் இந்த நிலைமற்று, அவருக்குத் தேவையான துல்லியமான சிகிச்சையை வழங்க வழக்கமான மருத்துவ நடைமுறைகள் போதுமானதாக இல்லை. இரண்டு நிபுணர்களிடமிருந்து முற்றிலும் மாறுபட்ட சிகிச்சை பரிந்துரைகளைப் பெற்ற பிறகு—ஒருவர் 60% வெற்றி விகித முறையையும், மற்றொருவர் 85% வெற்றி விகித ஆக்ரோஷமான பாதையையும் பரிந்துரைத்தனர்—Christou தரவுத் தொகுப்பை (data aggregation) நாடினார்.

அவர் ஒரு இரண்டாவது கருத்துடன் மட்டும் நின்றுவிடவில்லை; அவர் 12 நிபுணர்களின் கருத்துக்களைத் திரட்டினார். தனது குணமடைதலை ஒரு "தொடர்ச்சியான வேகமான ஓட்டம்" (marathon of sprints) போலக் கருதி, நோய் எதிர்ப்பு மண்டலத்தின் சரிவை முன்கூட்டியே கணிக்க தனது Whoop அணியக்கூடிய சாதனத்தைப் பயன்படுத்தினார் மற்றும் குரல் பதிவின் (voice transcription) மூலம் மிக நுணுக்கமான ஒரு நோய் அறிகுறி நாட்குறிப்பை (symptom journal) பராமரித்தார். இந்தத் துல்லியமான தரவு சேகரிப்பு, தனது நிறுவனங்களை விரிவுபடுத்த அவர் பயன்படுத்திய அதே தீவிரத்துடன் தூக்கம், ஊட்டச்சத்து மற்றும் உளவியல் மீள்திறனை (psychological resilience) கண்காணிக்க அவருக்கு உதவியது.

மருத்துவ அறிவு இடைவெளியைக் குறைக்க LLM-களைப் பயன்படுத்துதல்

Christou-வின் பயணத்தில் மிக முக்கியமான திருப்புமுனை Anthropic நிறுவனத்தால் உருவாக்கப்பட்ட Claude என்ற LLM-ஐ அவர் பயன்படுத்தியதாகும். Mass General Brigham-ன் Danielle Bitterman போன்ற மருத்துவ நிபுணர்கள், பொதுவான சாட்பாட்கள் (chatbots) தனிப்பயனாக்கப்பட்ட நோயறிதலுக்கு இன்னும் அங்கீகரிக்கப்படவில்லை என்று எச்சரித்தாலும், Christou ஒரு வித்தியாசமான வழியில் அதன் பயனைத் தெரிந்து கொண்டார்: சிறந்த கேள்விகளைக் கேட்க AI-ஐப் பயன்படுத்துவது.

ஒரு அரிதான lymphoma நோயைப் பொறுத்தவரை, ஒரு மனித புற்றுநோய் நிபுணர் (oncologist) ஒரு குறிப்பிட்ட வகை நோயை ஆண்டுக்கு ஒருமுறை மட்டுமே சந்திக்கக்கூடும். இதற்கு நேர்மாறாக, ஒரு LLM உலகளாவிய மருத்துவ இலக்கியங்களின் பரந்த தொகுப்பை "உறிஞ்சிக்" கொண்டுள்ளது. Christou தனது இரத்தப் பரிசோதனை முடிவுகள், ஸ்கேன் தரவு, அணியக்கூடிய சாதனங்களின் வெளியீடுகள் மற்றும் நாட்குறிப்பு பதிவுகளை அந்த மாடலில் உள்ளீடு செய்தார். இது மூலத் தரவை (raw data) பயனுள்ள நுண்ணறிவுகளாக (actionable insights) மாற்றியது, இது உலகத்தரம் வாய்ந்த நிபுணர்களுடனான உரையாடல்களைக் கையாள அவருக்கு உதவியது.

AI வடிவ அங்கீகாரத்தின் மூலம் தேவையற்ற சிகிச்சையைத் தவிர்த்தல்

Christou-வின் இறுதி PET ஸ்கேன் தெளிவற்ற முடிவுகளைத் தந்தபோது, AI-ன் உண்மையான ஆற்றல் வெளிப்படையானது. அவரது புற்றுநோய் நிபுணர், இதயம் மற்றும் நுரையீரலுக்கு அருகில் ஆபத்தான கதிர்வீச்சு சிகிச்சையை (radiotherapy) உள்ளடக்கிய இரண்டாவது கட்ட சிகிச்சைக்குச் செல்லப் பரிந்துரைத்தார்.

இருப்பினும், Christou ஒரு முக்கியமான புள்ளிவிவரத்தைக் கண்டறிந்தார்: அவரது குறிப்பிட்ட நிலையில், சிகிச்சையின் முடிவில் எடுக்கப்படும் PET ஸ்கேன்களில் தவறான நேர்மறை முடிவுகள் (false-positive rate) 60% வரை இருக்கலாம். அவர் தனது PET ஸ்கேன்கள் மற்றும் MRI தரவுகளை Claude-ல் உள்ளீடு செய்தார், அது "thymus rebound" என்ற ஒரு குறிப்பிட்ட மருத்துவ நிகழ்வைக் குறிப்பிட்டது. 40 வயதிற்குட்பட்ட நோயாளிகளில், மீண்டும் செயல்படத் தொடங்கும் தைமஸ் சுரப்பி (thymus gland) இமேஜிங்கில் (imaging) தீவிரமான நோய் இருப்பது போன்ற தோற்றத்தை அளிக்கக்கூடும் என்று அந்த மாடல் பரிந்துரைத்தது. இந்த விளக்கத்திற்கான சாத்தியக்கூறுகளை AI சுமார் 90% ஆகக் கணித்தது. மேலும் நிபுணர்களின் சரிபார்ப்பிற்குப் பிறகு, அந்த நோய் கண்டறிதல் உறுதி செய்யப்பட்டது—அவருக்குப் புற்றுநோய் இல்லை என்பது தெரியவந்தது, மேலும் தேவையற்ற கதிர்வீச்சு சிகிச்சையும் தவிர்க்கப்பட்டது.

தனிப்பயனாக்கப்பட்ட நோயாளி ஆதரவின் எதிர்காலம்

Christou-வின் கதை "நோயாளி தலைமையிலான AI ஆதரவில்" (patient-led AI advocacy) வளர்ந்து வரும் ஒரு போக்கைச் சுட்டிக்காட்டுகிறது. LLM-கள் மிகவும் மேம்பட்டதாக மாறும்போது, மருத்துவ நிபுணத்துவம் மற்றும் நோயாளி சார்ந்த தரவு பகுப்பாய்வு ஆகியவற்றிற்கு இடையிலான எல்லை மங்கலாகி வருகிறது. டெவலப்பர்கள் மற்றும் நிறுவனர்களுக்கு, இது MedTech மற்றும் Generative AI ஆகியவற்றின் சங்கமத்தில் ஒரு மிகப்பெரிய வாய்ப்பாகும்: மருத்துவர்களுக்குப் பதிலாகச் செயல்படாமல், மருத்துவ அமைப்பின் வரம்புகளைக் கையாள நோயாளிகளுக்கு அதிகாரம் அளிக்கும் கருவிகளை உருவாக்குவது.

முக்கியக் குறிப்புகள்

• தரவு சார்ந்த முடிவெடுத்தல்: Christou தனது மருத்துவப் பயணத்தை ஒரு தரவு அறிவியல் (data science) பிரச்சனையாகக் கருதினார், தனது உடல் மற்றும் மன நிலையை நிர்வகிக்க அணியக்கூடிய சாதனங்கள் மற்றும் நுணுக்கமான பதிவுகளைப் பயன்படுத்தினார்.
• சிந்தனைத் திறனுக்கான ஒரு அடுக்காக AI: நேரடி நோயறிதலுக்கு LLM-களைப் பயன்படுத்துவதற்குப் பதிலாக, சிக்கலான தரவுகளை ஒருங்கிணைக்கவும், தனது மருத்துவக் குழுவிடம் கேட்க வேண்டிய உயர்மட்டக் கேள்விகளை உருவாக்கவும் அவர் Claude-ஐப் பயன்படுத்தினார்.
• மருத்துவத் தவறுகளைக் குறைத்தல்: தேவையற்ற மற்றும் ஊடுருவும் கதிர்வீச்சு சிகிச்சையைத் தடுத்த "thymus rebound" நிகழ்வைக் கண்டறிய AI உதவியது, இது கவனிக்கப்படாத மருத்துவ வடிவங்களைக் கண்டறிவதில் AI-ன் மதிப்பை நிரூபித்தது.